跳转至内容

提升 YOLO26 训练：使用 Comet 简化您的日志记录流程

记录关键的训练细节，例如参数、指标、图像预测和模型检查点，在 机器学习 中至关重要——它可以使您的项目保持透明，您的进度可衡量，并且您的结果可重复。



观看： 如何使用 Comet 进行 Ultralytics YOLO 模型训练日志和指标记录 🚀

Ultralytics YOLO26 与 Comet（前身为 Comet ML）无缝集成，高效捕获和优化 YOLO26 目标检测模型训练过程的各个方面。在本指南中，我们将涵盖安装过程、Comet 设置、实时洞察、自定义日志记录和离线使用，确保您的 YOLO26 训练得到充分记录和精细调整，以获得卓越成果。

Comet

Comet 实验追踪仪表盘

Comet 是一个用于跟踪、比较、解释和优化机器学习模型及实验的平台。它允许您在模型训练期间记录指标、参数、媒体等，并通过美观的网页界面监控您的实验。Comet 帮助数据科学家更快地迭代，增强透明度和可复现性，并助力生产模型的开发。

发挥 YOLO26 和 Comet 的力量

通过将 Ultralytics YOLO26 与 Comet 结合，您将解锁一系列优势。这些优势包括简化的实验管理、用于快速调整的实时洞察、灵活且量身定制的日志记录选项，以及在互联网访问受限时离线记录实验的能力。这种集成使您能够做出数据驱动的决策、分析性能指标并取得卓越成果。

安装

要安装所需的软件包，请运行：

安装

# Install the required packages for YOLO26 and Comet
pip install ultralytics comet_ml torch torchvision

配置 Comet

安装所需的软件包后，您需要注册、获取 Comet API 密钥 并进行配置。

配置 Comet

# Set your Comet API Key
export COMET_API_KEY=YOUR_API_KEY

然后，您可以初始化您的 Comet 项目。Comet 将自动检测 API 密钥并继续进行设置。

初始化 Comet 项目

import comet_ml

comet_ml.login(project_name="comet-example-yolo26-coco128")

如果您使用的是 Google Colab notebook，上面的代码将提示您输入 API 密钥以进行初始化。

用法

在深入了解使用说明之前，请务必查看 Ultralytics 提供的 YOLO26 模型系列。这将帮助您根据项目需求选择最合适的模型。

用法

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")

# Train the model
results = model.train(
    data="coco8.yaml",
    project="comet-example-yolo26-coco128",
    batch=32,
    save_period=1,
    save_json=True,
    epochs=3,
)

运行训练代码后，Comet 将在您的 Comet 工作区中创建一个实验，以自动跟踪运行。然后，您将获得一个链接，用于查看 YOLO26 模型训练过程的详细日志记录。

Comet 无需额外配置即可自动记录以下数据：mAP 和损失等指标、超参数、模型检查点、交互式混淆矩阵以及图像 边界框 预测。

使用 Comet 可视化理解模型性能

让我们深入了解一旦您的 YOLO26 模型开始训练，您将在 Comet 控制面板上看到什么。控制面板是所有操作发生的地方，通过视觉效果和统计数据呈现各种自动记录的信息。以下是快速浏览：

实验面板

Comet 仪表板的实验面板部分组织并呈现不同的运行及其指标，例如 segment mask 损失、类别损失、精度和 平均 AP。

Comet 实验追踪仪表盘

指标

在指标部分，您还可以选择以表格格式检查指标，该表格格式显示在专用窗格中，如此处所示。

Comet 实验追踪仪表盘

交互式 混淆矩阵

混淆矩阵位于“Confusion Matrix”选项卡中，提供了一种交互式方法来评估模型的分类准确性。它详细说明了正确和不正确的预测，使您能够了解模型的优势和劣势。

Comet 实验追踪仪表盘

系统指标

Comet 记录系统指标以帮助识别训练过程中的任何瓶颈。它包括 GPU 利用率、GPU 内存使用量、CPU 利用率和 RAM 使用量等指标。这些对于监控模型训练期间的资源使用效率至关重要。

Comet 实验追踪仪表盘

自定义 Comet 日志记录

Comet 通过设置环境变量提供了自定义其日志记录行为的灵活性。这些配置允许您根据您的特定需求和偏好定制 Comet。以下是一些有用的自定义选项：

记录图像预测

您可以控制 Comet 在实验期间记录的图像预测数量。默认情况下，Comet 会记录验证集中 100 个图像预测。但是，您可以更改此数量以更好地满足您的要求。例如，要记录 200 个图像预测，请使用以下代码：

import os

os.environ["COMET_MAX_IMAGE_PREDICTIONS"] = "200"

批次日志记录间隔

Comet 允许您指定图像预测批次记录的频率。 COMET_EVAL_BATCH_LOGGING_INTERVAL 环境变量控制此频率。 默认设置为 1，它记录来自每个验证批次的预测。 您可以调整此值以按不同的间隔记录预测。 例如，将其设置为 4 将记录来自每四个批次的预测。

import os

os.environ["COMET_EVAL_BATCH_LOGGING_INTERVAL"] = "4"

禁用混淆矩阵日志记录

在某些情况下，您可能不希望在每次验证集之后都记录混淆矩阵 epoch。您可以通过设置以下参数来禁用此功能 COMET_EVAL_LOG_CONFUSION_MATRIX 环境变量设置为“false”。 混淆矩阵将仅在训练完成后记录一次。

import os

os.environ["COMET_EVAL_LOG_CONFUSION_MATRIX"] = "false"

离线日志记录

如果您发现自己处于互联网访问受限的情况，Comet 提供离线日志记录选项。您可以设置 COMET_MODE 环境变量为“offline”以启用此功能。您的实验数据将本地保存在一个目录中，您可以在互联网连接可用时将其上传到 Comet。

import os

os.environ["COMET_MODE"] = "offline"

总结

本指南已引导您将 Comet 与 Ultralytics 的 YOLO26 集成。从安装到自定义，您已学会如何简化实验管理、获取实时洞察，并根据项目需求调整日志记录。

探索 Comet 官方的 YOLOv8 集成文档，该文档也适用于 YOLO26 项目。

此外，如果您希望深入了解 YOLO26 的实际应用，特别是针对 图像分割 任务，这份关于 使用 Comet 微调 YOLO26 的详细指南提供了宝贵的见解和分步说明，以提升您的模型性能。

此外，要探索 Ultralytics 的其他令人兴奋的集成，请查看集成指南页面，该页面提供了丰富的资源和信息。

常见问题

如何将 Comet 与 Ultralytics YOLO26 集成以进行训练？

要将 Comet 与 Ultralytics YOLO26 集成，请遵循以下步骤：

  1. 安装所需软件包：

    pip install ultralytics comet_ml torch torchvision

  2. 设置您的 Comet API 密钥:

    export COMET_API_KEY=YOUR_API_KEY

  3. 在您的 Python 代码中初始化您的 Comet 项目:

    import comet_ml

comet_ml.login(project_name="comet-example-yolo26-coco128")

  4. 训练您的 YOLO26 模型并记录指标：

    from ultralytics import YOLO

model = YOLO("yolo26n.pt")
results = model.train(
    data="coco8.yaml",
    project="comet-example-yolo26-coco128",
    batch=32,
    save_period=1,
    save_json=True,
    epochs=3,
)

有关更详细的说明，请参阅 Comet 配置部分。

将 Comet 与 YOLO26 结合使用的优势是什么？

通过将 Ultralytics YOLO26 与 Comet 集成，您可以：

  • 监控实时洞察: 获得有关训练结果的即时反馈，从而可以快速进行调整。
  • 记录丰富的指标: 自动捕获mAP、损失、超参数和模型检查点等基本指标。
  • 离线跟踪实验: 在无法访问互联网时，在本地记录您的训练运行。
  • 比较不同的训练运行：使用交互式 Comet 仪表板分析和比较多个实验。

通过利用这些功能，您可以优化您的机器学习工作流程，以获得更好的性能和可复现性。欲了解更多信息，请访问Comet集成指南。

如何在 YOLO26 训练期间自定义 Comet 的日志记录行为？

Comet允许通过使用环境变量对其日志记录行为进行广泛自定义：

  • 更改记录的图像预测数量:

    import os

os.environ["COMET_MAX_IMAGE_PREDICTIONS"] = "200"

  • 调整批处理日志记录间隔:

    import os

os.environ["COMET_EVAL_BATCH_LOGGING_INTERVAL"] = "4"

  • 禁用混淆矩阵日志记录:

    import os

os.environ["COMET_EVAL_LOG_CONFUSION_MATRIX"] = "false"

有关更多自定义选项，请参阅自定义Comet日志记录部分。

如何在 Comet 上查看 YOLO26 训练的详细指标和可视化？

一旦您的 YOLO26 模型开始训练，您就可以在 Comet 控制面板上访问各种指标和可视化内容。主要功能包括：

  • 实验面板：查看不同的运行及其指标，包括segment mask损失、类别损失和平均精度。
  • 指标: 以表格格式检查指标以进行详细分析。
  • 交互式混淆矩阵：使用交互式混淆矩阵评估分类准确率。
  • 系统指标: 监控 GPU 和 CPU 的利用率、内存使用情况以及其他系统指标。

有关这些功能的详细概述，请访问通过Comet可视化了解模型性能部分。

在训练 YOLO26 模型时，我可以使用 Comet 进行离线日志记录吗？

是的，您可以通过设置以下参数在Comet中启用离线日志记录： COMET_MODE 将环境变量设置为“offline”：

import os

os.environ["COMET_MODE"] = "offline"

此功能允许您在本地记录实验数据，当有互联网连接时，这些数据可以稍后上传到Comet。这在互联网访问受限的环境中尤其有用。有关更多详细信息，请参阅离线日志记录部分。



📅 创建于 2 年前 ✏️ 更新于 5 天前
glenn-jocherRizwanMunawarUltralyticsAssistantjshakesjk4eMatthewNoyceAyushExel

评论